CN111462017A - 隧道激光点云数据的去噪方法 - Google Patents

Abstract

本发明公开了一种隧道激光点云数据的去噪方法，包括以下步骤：A.对隧道激光点云数据进行拓扑结构构建；B.对具有拓扑结构的隧道激光点云数据进行滤波处理，以滤除噪声；C.对滤波后的隧道激光点云数据进行数据压缩处理；D.对压缩后的隧道激光点云数据进行特征提取。本发明可以降低点云数据的复杂度，减小数据处理难度；滤除离群噪声点，降低点云数据的数据量，从而降低后续流程的计算量，本发明还对点云数据进行特征提取，以进一步滤除点云数据中的异常值，特征的拟合效果具有较高的效率和较高的鲁棒性。

Description

隧道激光点云数据的去噪方法

技术领域

本发明涉及隧道施工领域，尤其是一种隧道激光点云数据的去噪方法。

背景技术

在山区地带，无论是修建铁路还是公路都需要开挖大量隧道。而在隧道施工主要使用钻爆法，超欠挖情况不可避免。隧道的超欠挖会直接影响到施工建设的成本和周期。如果不对超欠挖情况进行监控，可能还会产生较大的安全事故。

随着三维激光扫描系统的普及和扫描技术的发展，使用点云来进行真实空间测量的成本越来越低，而效率和精度在逐渐提升。因此，如果将三维激光技术应用到隧道施工中，以对隧道开挖情况进行还原，将会大幅提高隧道施工效率，同时有利于降低隧道施工的成本。

然而，开挖隧道由于需要挖掘、爆破，加上所处环境中空气流通性弱，在开挖隧道现场会悬浮大量的粉尘颗粒，如果直接利用现场扫描的数据，将会对后续的计算带来较大的误差。此外，三维激光扫描后的数据属于无序点数据，需要设计复杂的算法才可进行直接计算。再有，三维激光扫描后的点云数据数据量较大，随着扫描面积的增加，对于数据的后续处理将会消耗较大的计算量。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种隧道激光点云数据的去噪方法。以降低点云数据的复杂度，去除点云数据中的噪声，同时为减小后续计算过程的计算量提供基础。

本发明采用的技术方案如下：

一种隧道激光点云数据的去噪方法，其包括：

A.对隧道激光点云数据进行拓扑结构构建；

B.对具有拓扑结构的隧道激光点云数据进行滤波处理，以滤除噪声；

C.对滤波后的隧道激光点云数据进行数据压缩处理。

拓扑结构的构建可以固定点云数据结构，去除数据集的无序性，从而降低点云数据的复杂度，便于后续过程的直接处理。滤波操作可以滤除点云数据中的噪音(如粉尘颗粒数据)。对点云数据进行压缩可以减小点云数据的数据量，从而减小后续处理过程的计算量。

进一步的，去噪方法还包括：

D.对压缩后的隧道激光点云数据进行特征提取。

对点云数据进行特征提取，可以进一步滤除点云数据中的异常值。

进一步的，所述步骤D具体为：使用随机采样一致性方法拟合出压缩后的隧道激光点云数据的数学模型。

随机采样一致性方法的任意两次迭代之间没有数值上的联系，所以可以并行化，进而提高数据处理效率。同时采用随机采样一致性方法进行特征拟合的鲁棒性强。

进一步的，所述步骤A中，将隧道激光点云数据构建为树形拓扑结构。

进一步的，所述步骤B中，使用基于统计的滤波算法对具有拓扑结构的隧道激光点云数据进行滤波处理。

进一步的，所述步骤C中，采用体素体采样法对滤波后的隧道激光点云数据进行压缩处理。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明可以降低原始隧道激光点云数据的复杂度，从而降低后续处理过程的难度。同时，能够对点云数据中的离群噪声点进行针对性滤除，基于统计的滤波方法降低了对有效成分的影响。进一步的，本发明中对点云数据进行了压缩，从而减小数据集的数据量，为减小后续处理过程的计算量提供了基础。此外，本发明还设置了特征提取步骤，以进一步滤除点云数据中的异常值。通过随机采用一致性算法进行数学模型的拟合，拟合过程可以并行迭代，具备较高的效率，同时，拟合结果具有较高的鲁棒性。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是点云数据的两种拓扑结构。

图2是三种平滑滤波效果对比图。

图3是点云数据中离群噪声点滤除的效果图。

图4是采用随机采样一致性算法进行直线拟合的一个实施例。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

本发明是基于三维扫描技术进行的，通过三维激光扫描技术对目标进行扫描，可以得到对应的三维点云数据。

三维点云数据格式多样，且各仪器厂商一般也都有其自己的文件格式，这就加重了后期数据处理的困难。目前较为通用的点云数据格式主要有PLY、STL、OBJ、X3D、LAS和PCD等。

(a)PLY是一种多边形文件格式，由Stanford大学的Turk等人设计开发；

(b)STL是3D Systems公司创建的模型文件格式，主要应用于CAD、CAM领域；

(c)OBJ是几何学上定义的文件格式，首先由Wavefront Technologies开发；

(d)X3D是符合ISO标准的基于XML的文件格式，表示3D计算机图形数据；

(e)LAS是美国摄影测量与遥感(ASPRS)机构下的LIDAR委员会发表的标准LIDAR数据格式。

(f)PCD是点云数据处理的开源算法库点云库(PCL,Point Cloud Library)提出并使用的一种点云数据存储格式。

实施例一

本实施例公开了一种隧道激光点云数据的去噪方法，隧道激光点云数据为采用三维激光扫描系统对开挖隧道进行扫描所得到的的数据。去噪方法包括以下步骤：

对隧道激光点云数据进行拓扑结构构建。以便于降低后续计算过程中，对无序数据进行处理的复杂度。

对具有拓扑结构的隧道激光点云数据进行滤波处理。该滤波处理可以去除点云数据中的噪音-如离群噪声点。

对滤波后的隧道激光点云数据进行压缩处理。数据压缩可以对数据集特征进行提炼，减小点云数据量，进而减小后续处理过程的数据计算量。

在一个实施例中，去噪方法包括：

通过三维激光扫描系统对开挖隧道进行扫描，得到隧道激光点云数据，若已获得隧道激光点云数据，则省略该步骤。对隧道激光点云数据进行拓扑结构构建。对具有拓扑结构的隧道激光点云数据进行滤波处理。对滤波后的隧道激光点云数据进行压缩处理。

实施例二

本实施例公开了一种隧道激光点云数据的去噪方法，隧道激光点云数据为采用三维激光扫描系统对开挖隧道进行扫描所得到的的数据；去噪方法包括以下步骤：

首先，对隧道激光点云数据进行拓扑结构构建，以固定无序点云数据的拓扑结构，从而降低后续处理过程的计算难度。

点云中任一数据点的相邻点与该点性质有着密切联系，其中与数据点相邻的K个点被称为K近邻点。三维激光扫描仪获得的点云数据一般是无序点云，无序点云数据与二维图像数据不同，主要区别在其没有固有的数据邻接关系。在许多点云算法中都需要计算K近邻点，而在无序点云中使用直接法进行计算时，随着点数的增加，其计算耗时会呈指数级增加。所以在数据处理前需要建立拓扑结构，以降低后续计算的复杂度。

针对于本发明所针对的应用场景-隧道超欠挖分析，本发明对于隧道激光点云数据构建树形拓扑结构。

树形拓扑关系包含两种结构：KD树和八叉树(octree)，对应的结构如图1所示。

KD树是由Bentley于1975年提出的一种二分查找树，其使用超平面将高维空间循环划分为两个部分，划分依据为查找点稀疏的维度中点，最终形成二分查找树结构。查找临近点时只需在其父节点和子节点中进行搜索，这样大幅减少了临近点的搜索范围，使得速度得到提升。KD树的特点是快速，适用于激光扫描数据。

八叉树类似于二维空间中将二维空间划分为四个象限的四叉树进行管理，八叉树将点云按空间循环划分为八个卦限，形成八叉树结构。当需要对临近点进行查找时，只用在相邻的卦限里进行，这样减小了搜索范围。相对于KD树而言，八叉树容易理解，可以在特定物体的点云模型中使用，如一个零件的点云模型。因此，通常采用八叉树的拓扑结构。

然后，对隧道激光点云数据进行滤波处理。滤波的目的是去除数据中的噪音。在开挖隧道中，由于机械施工、爆破等原因，加上空气流通困难，在空气中会悬浮大量的粉尘颗粒，由于激光扫描的精度较高，在进行数据采集(扫描)时，这些悬浮的粉尘颗粒也会被采集到，而对于后续的计算过程来讲，这些粉尘数据都是不必要的，甚至是影响后续计算的，因此，需要将这些数据滤除掉。

由于在相邻两次采集点云数据之间，开挖方量并不会太大，即获取的原始隧道激光点云数据量不会太大，因此，可以直接对原始数据进行去噪处理。

对于点云数据的去噪，存在多种方法，例如平滑滤波方法和基于统计的滤波方法。

平滑滤波主要用于点云表面的平滑，平滑并不会去除噪声点，常见的方法有均值滤波、中值滤波、高斯滤波和双边滤波。这几种方法首先需要建立拓扑关系用以加快邻近点的搜索，然后对邻近点集进行分析，用邻近点的关系来估算搜索点。其中高斯滤波使用高斯函数进行平滑，各点根据与搜索点的距离进行加权，离搜索点越近权值越高。均值滤波则直接求点集的重心，用以代替原搜索点作为滤波结果。中值滤波将其距离进行排序，取中值作为结果代替原搜索点。滤波效果对比如图2所示。

双边滤波是由二维图像滤波中的双边滤波算法改进而来，使用法向量关系作为特征的第一个权值，使用距离作为第二个权值，通过同时使用这两种权值来进行滤波，所以对类似拐角之类的特征不会出现过度的削减。

针对离群噪声点，一般使用栅格算法，首先对点云数据进行栅格化，再对每一个栅格进行分析。如果某一栅格中有数据点，而周围栅格没有数据点，则将该栅格中数据点标记为离散点去除。该方法对栅格的网络划分很敏感，且离群噪声点在空间中有仅仅包含一个点的也有形成一个小块的，网格参数往往很难设置。使用统计分析的方法可以过滤掉大部分的离群噪声点，算法需要首先获取搜索点的K近邻点，而后计算搜索点到各近邻点的距离，其距离的分布满足高斯分布，函数形状由距离均值和标准差决定，若平均距离在标准范围外的点，被识别为离群噪声点去除。

结合本发明所应用的场景-隧道超欠挖分析，所采集的点云数据中，离群噪声点是需要滤除的重点，因此，采用基于统计分析的滤波方法来对隧道激光点云数据进行滤波处理，对应的滤波效果如图3所示。

考虑到点云数据的分散性并不利于对数据的计算，为了提高数据的计算效率，对于滤波后的点云数据，在一个实施例中，还进行了数据压缩处理。

通常来讲，对于点云数据(或者其他数据)的压缩都是有损压缩，也被称为下采样。另外，针对有序和无序点云有不同的下采样方法，其中针对无序点云的采样方法对于有序点云也是通用的，因此，在本文中主要介绍对无序点云数据进行压缩的几种方法：随机采样、体素体采样和曲率加权采样方法。

随机采样法是一种很容易理解并实现的方法，只需要使用随机数生成函数产生小于总点数的随机数，再通过点的索引对数据点进行去除，直到满足采样需求。由于随机采样的随机性太强，导致采样效果不是很稳定，得到的点云有可能不均匀。并且对特征也没有进行保护，很容易丢失特征细节，但其运算速度是最快的。

体素体采样法使用一个长方体包围盒覆盖全部点云，然后按照设置的体素体大小将包围盒进行分割。使用体素体的中心点或是体素体内各点的重心代替体素体内的所有点，以此实现下采样。此方法速度快，采样过后的点云在空间分布上比较均匀，其同样有细节特征丢失的问题。

曲率是描述三维点与其周围数据点关系的一种内在属性，使用曲率特征对采样进行加权可以保证曲率特征区域的精度。首先使用体素体采样的划分方法对点云进行分割，同时根据每个体素体内数据点的曲率值对需要保留的点数进行判定，最后进行随机提取。这样得到的采样点云比较均匀，在曲率特征区域会提取更多的数据点，减小特征的衰减。

同样，针对于本发明所针对的应用场景，选择体素体下采样算法对滤波后的数据进行压缩处理，通过降低点云的数据量提高后续计算分析的运行速度的同时，尽可能确保点云数据的均匀性，从而确保点云数据的特征分布不受影响。

实施例三

本实施例公开了一种隧道激光点云数据的去噪方法，包括以下步骤：

通过三维激光扫描系统对开挖隧道进行扫描，得到隧道激光点云数据，若已得到隧道激光点云数据，则省略该步骤。对隧道激光点云数据进行拓扑结构构建。对具有拓扑结构的隧道激光点云数据进行滤波处理。对滤波后的隧道激光点云数据进行压缩处理。对压缩后的隧道激光点云数据进行特征提取，以拟合出数据集的数学模型。

在一个实施例中，上述去噪方法具体包括：

将原始的隧道激光点云数据构建为树形拓扑结构。

对隧道激光点云数据采用基于统计分析的滤波方法进行滤波处理。

采用体素体采样法对滤波后的隧道激光点云数据进行压缩处理。

对压缩后的隧道激光点云数据进行特征提取，以拟合出数据集的数学模型。

在一个实施例中，特征提取过程使用随机采样一致性(RANSAC,Random sampleconsensus)算法进行。RANSAC算法通过迭代方式从一组包含局内点的数据集中估计数学模型的参数，由于它有一定概率得到合理结果，所以是一种不确定的算法，为了提高拟合准确度必须要提高迭代次数。不同于一般的迭代，算法的任意两次迭代之间没有数值上的联系，所以可以并行化。

RANSAC算法从数据集中随机提取一组数据点对模型参数进行计算，再对计算效果进行评价。以此循环直到评价分数达到阈值，或超过最大迭代次数。

假设局内点数为n_in，数据集总点数为n_all，用w表示每次从数据集中提取到局内点的概率：

假设参数的确定需要t个点，w^t是t个点都是局内点的概率，这时提取出的数据所计算的模型应该是最佳的。1-w^t是至少一点为局外点的概率，这时估计的模型不是最佳。如果迭代k次，(1-w^t)^k为k次均不会选到t个点都为局内点的概率，设p为迭代中至少有一处t个点均为局内点，则有：

1-p＝(1-w^t)^k (2)

p＝1-(1-w^t)^k (3)

所以当k足够大时，p值趋近于1，也就是必定会有选取到至少一次局内点。

如图4所示，在一组干扰数据较多的数据集中可以使用RANSAC算法拟合直线方程，可见其直线拟合的鲁棒性很好，且其算法设计简单可并行化，这些优点都是诸如最小二乘法不能比拟的。这样，通过在滤波后再设置特征拟合步骤，可以进一步排除异常数据，进而提高点云数据的精确度。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (6)

1.一种隧道激光点云数据的去噪方法，其特征在于，包括：

A.对隧道激光点云数据进行拓扑结构构建；

B.对具有拓扑结构的隧道激光点云数据进行滤波处理，以滤除噪声；

C.对滤波后的隧道激光点云数据进行数据压缩处理。

2.如权利要求1所述的隧道激光点云数据的去噪方法，其特征在于，还包括：

D.对压缩后的隧道激光点云数据进行特征提取。

3.如权利要求2所述的隧道激光点云数据的去噪方法，其特征在于，所述步骤D具体为：使用随机采样一致性方法拟合出压缩后的隧道激光点云数据的数学模型。

4.如权利要求1所述的隧道激光点云数据的去噪方法，其特征在于，所述步骤A中，将隧道激光点云数据构建为树形拓扑结构。

5.如权利要求1所述的隧道激光点云数据的去噪方法，其特征在于，所述步骤B中，使用基于统计的滤波算法对具有拓扑结构的隧道激光点云数据进行滤波处理。

6.如权利要求1所述的隧道激光点云数据的去噪方法，其特征在于，所述步骤C中，采用体素体采样法对滤波后的隧道激光点云数据进行压缩处理。

Images